Реферат: Методы приобретения знаний в интеллектуальных системах

Введение.

Инженериязнаний – это область информационной технологий, цель которой – накапливать иприменять знания, не как объект обработки их человеком, но как объект дляобработки их на компьютере. Для этого необходимо проанализировать знания и особенности их обработки человеком икомпьютером, а также разработать их машинное представление. К сожалению точногои неоспоримого определения, что собой представляют знания, до сих пор не дано.Но тем не менее цель инженерии знаний – обеспечить использование знаний вкомпьютерных системах на более высоком уровне, чем до сих пор – актуальна. Носледует заметить, что возможность использования знаний осуществима толькотогда, когда эти знания существуют, что вполне объяснимо. Технология накопленияи суммирования знаний идет бок о бок с технологией использования знаний, онивзаимно дополняют друг друга и ведут к созданию одной технологии, технологииобработки знаний.

В данной работе я постарался описать методы решения одной изпроблем данного комплекса – это проблемы приобретения знаний, или говорядругими словами – обучения.

Методыприобретения знаний.

Приобретение знаний реализуется с помощью двух функций:получения информации извне и ее систематизации. При этом в зависимости отспособности системы обучения к логическим выводам возможны различные формыприобретения знаний, а также различные формы получаемой информации. Форма представлениязнаний для их использования определяется внутри системы, поэтому формаинформации, которую она может принимать, зависит от того, какие способностиимеет система для формализации информации до уровня знаний. Если обучающаясясистема совсем лишена такой способности, то человек должен заранее подготовитьвсе, вплоть до формализации информации, т. е. чем выше способности машины к логическимвыводам, тем меньше нагрузка на человека.

Функции, необходимые обучающейся системе для приобретениязнаний, различаются в зависимости от конфигурации системы. В дальнейшем прирассмотрении систем инженерии знаний предполагается, что Существует система сконфигурацией, показанной на рис, 1.1, которая включает базу знаний и механизмлогических выводов, использующий эти знания при решении задач. Если база знанийпополняется знаниями о стандартной форме их представления, то этими знаниямитакже можно воспользоваться. Следовательно, от функций обучения требуетсяпреобразование полученной извне информации в знания и пополнение ими базызнаний.

Человек

Механизмы выводов обучающей системы

Механизмы выводов пользовательской системы

База знаний

Рис.1Базовая структура систем обработки знаний

Можнопредложить следующую классификацию систем приобретения знаний, которая будетопираться на способность системы к восприятию знаний в разных форматах,качественно различающихся между собой и способностью к формализации (рис 2).

Методы приобретения знаний

Обучение на примерах

Обучение на метауровне

Обучение без выводов

Получение данных представленных в виде знаний (Категория Б)

Простое запоминание данных (Категория А)

Получение знаний, представленных во внешнем формате и их понимание

Получение знаний, представленных во внутреннем формате в режиме диалога

Получение готового набора знаний, представленных во внутреннем формате

Рис2.Классификация методов приобретения знаний.

Обучение без выводов.

Категорию А можно назвать обучением безвыводов или механическим запоминанием, это простой процесс полученияинформации, при котором необязательны функции выводов, а полученная информацияв виде программ или данных используется для решения задач в неизменном виде.Другими словами, это способ получения информации, характерный для существующихкомпьютеров.

Категория Б—это получение информацииизвне, представленной в форме знаний, т. е. В форме, которую можноиспользовать для выводов. Обучающейся Системе необходимо иметь функциюпреобразования входной информации в формат, удобный для дальнейшегоиспользования и включения в базу знании.

Приобретениезнаний на этом этапе происходит в наиболее простой форме: это знания,предварительно подготовленные человеком во внутреннем формате, какими являютсябольшинство специальных знании, изначально заданных в экспертных системах. Вслучае прикладных систем инженерии знаний необходимо преобразоватьспециальные знания из какой-либо области в машинный формат, но для этого нуженпосредник, хорошо знающий как проблемную область, так и инженерию знаний.Таких посредников называют инженерами по знаниям. В общем случае для заменыфункции посредника можно использовать и специальные подпрограммы. Т.е. необходимоиметь функции выводов достаточно высокого уровня, но можно ограничиться ивыводами на сравнительно низком уровне, а остальное доверить человеку — в этоми состоит приобретение знаний в диалоге. Примером служит хорошо известнаясистема TEIRESIAS. Это система-консультант в областимедицины, разработанная на базе системы MYCIN.Специалисты в проблемной области являются преподавателями обучающейся системы, а ученик — система инженерии знаний— изучает ответы на поставленные задачи и корректирует те правила в базезнаний, которые ранее приводили к ошибкам. Для подготовки знаний в экспертнойсистеме необходимы вспомогательные средства типа редактора знаний, причем впроцессе приобретения знаний в диалоге не только редактируются отдельныеправила и факты, но и восполняются недостатки существующих правил, т. е.ведется редактирование базы знаний.

Если знания заданы во внешнем формате,например на естественном языке, то следует преобразовать их во внутреннийформат. Для этого необходимо понимать внешнее представление, т. е.естественный язык, графические данные и т. п. Фактически приобретение знаний иих понимание тесно связаны. Проблема понимания сводится не только кпреобразованию структуры предложений — необходимо получить формат, удобный дляприменения.

Аналогичная проблема — преобразование во внутренний формат советов, подсказок порешению задач, что называется «операционализацией»знаний В этом заключается центральная проблема искусственного интеллекта; она,в частности, изучает преобразование советов, подсказок, представленных втерминах проблемной области, в процедуры. Например, система UNDERSTAND выполняет операционализациюпредставления задачи о ханойской башне на английском языке путем построениясоответствующих состояний и операций, приводящих к этим состоя* киям.

Приобретение знаний на метауровне

Выше было рассмотрено обучение на объектном уровне, а ещеболее сложная проблема

— приобретениезнаний на метауровне, т. е. знаний, основой которыхявляется информация по управлению решением задач с использованием знаний наобъектном уровне. Для знаний на метауровне пока неустановлены ни формы представления и использования, ни связь со знаниями наобъектном уровне, ни другая техника их систематизации. Поскольку не определенаформа их представления с точки зрения использования, то трудно говорить оприобретении знаний на метауровне. Тем не менее сэтой проблемой связаны многие надежды в инженерии знаний,
Приобретение знаний из примеров

Метод приобретение знаний из примеров отличается отпредыдущего метода, тем, что здесь выполняется сбор отдельных фактов, ихпреобразование и обобщение, а только затем они будут использованы в качествезнаний. И соответственно от уровня сложности системы вывода в системе будутвозникать разные по степени общности исложности знания. Необходимо также упомянуть о том, что этот метод приобретениязнаний почти не нашёл практического применения, это может быть связано с тем,что входная информация представляет собой не систематизированный набор данных идля их обработки требуется наличие в системе обширных знаний по конкретнойобласти.

По сравнению с предыдущим методом приобретения знаний, этотметод имеет большую степень свободы и соответственно необходимо описать общиеположения этого принципа.

1.

Языки представления. Обучение по примерам — это процесс сбора отдельных фактов, ихобобщение и систематизация, поэтому необходим унифицированный языкпредставления примеров и общих правил. Эти правила, будучи результатомобучения, должны стать объектами для использования знаний, поэтому и образуютязык представления знаний. И наоборот, язык представления знаний долженучитыватьи определять указанные вышеусловия приобретения знаний.

2.

Способы описания объектов. В случае обучения.по примерам изописаний отдельных объектов создаются еще более общие описания объектовнекоторого класса, при этом возникает важная проблема: как описать данный классобъектов. В полном классе некоторых объектов следует определить меньший классобъектов, обладающих общим свойством (объекты только в этом классе обладаютзаданным свойством), но в действительности проще определить список объектов иубедиться, что все объекты в нем обладают общим свойством. Для некоторого типазадач можно эффективно использовать ложные примеры или контрпримеры,убедительно показывающие, что данные объекты не входят в этот класс…Иллюстрацией применения контрпримеров может служитьпонятие «почти то».

3.

Правила обобщения. Для сбора отдельных примеров исоздания общих правил необходимы правила обобщения. Предложено несколькоспособов их описания: замена постоянных атрибутов языка на переменные,исключение описаний с ограниченным применением и т. п. Очевидно, что этиспособы тесно связаны с языком представления знаний.

4.

Управление обучением.В процессе обучения по примерам можно применять различные стратегииструктуризации информации и необходимо управлять этим процессом в ответ навходные данные. Существуют два классических метода: метод «снизу-вверх», при.котором, последовательно выбираются и структурируются отдельные сообщения, иметод «сверху-вниз», при котором сначала выдвигаетсягипотеза, а затем она корректируется по мере поступления информации. Напрактике эти методы комбинируются, хотя управление обучением с максимальнымэффектом не такая уж простая проблема.

При изучении метода приобретения знаний по примерам можновыделить следующий ряд методов:

1.

Параметрическое обучение

2.

Обучениепо аналогии

3.

Обучениепо индукции.

Параметрическоеобучение.

Наиболее простая форма обучения по примерам или наблюдениямсостоит в определении общего вида правила, которое должно стать результатомвывода, и последующей корректировки входящих в это правило параметров в зависимостиот данных. При этом используют психологические модели обучения, системыуправления обучением и другие методы.

Примером обучающейся системы этой категории в областиискусственного интеллекта является система

Meta-Dentral.Эта система выводит новые правила путем коррекции правил продукций в процессеобучения или на основе исходных массспектральныхданных параметрическое обучение в ней представлено в несколько специфичномвиде, но все же она относятся к указанной выше категории, поскольку в системезадана основная структура знаний, которая корректируется последовательно поотдельным данным.

Ярким примером применения этого метода приобретения знаниймогут также служить системы распознавания образов (обсуждавшиеся ранее в другомдокладе). В них ясно просматривается основной принцип этого метода — в ходеобучения нейронная сеть автоматически по определенным заранее законамкорректирует веса связей между элементами и значения самих элементов.

Методобучения по индукции.

Среди всех форм обучения необходимо особовыделить обучение на основе выводов по индукции — это обучение с использованиемвыводов высокого уровня, как и при обучении по аналогии. В процессе этогообучения путем обобщения совокупности имеющихся данных выводятся общиеправила. Возможно обучение с преподавателем, когда входные данные задаетчеловек, наблюдающий за состоянием обучающейся системы, и обучение безпреподавателя, когда данные поступают в систему случайно. И в том и в другомслучае выводы могут быть различными, они имеют и различную степень сложности взависимости от того, задаются ли только корректные данные или в том числе инекорректные данные и т. п. Так или иначе, обучение этой категории включаетоткрытие новых правил, построение теорий, создание структур и другие действия,причем модель теории или структуры, которые следует создать, заранее незадаются, поэтому их необходимо разработать так, чтобы можно было объяснитьвсе правильные данные и контрпримеры.

Индуктивные выводы возможны в случае,когда представление результата вывода частично определяется из представлениявходной информации. В последнее время обращают на себя внимание программыгенерации программ по образцу с использованием индуктивных выводов.

Какуже было сказано, индуктивный вывод — это вывод из заданных данныхобъясняющего их общего правила. Например, пусть известно, что есть некоторыймногочлен от одной переменной. Давайте посмотрим, как выводится

f(х),если последовательно задаются в качестве данных пары значений (0, f(0)), (1, f(1)),… Вначале задается (0, 1), иестественно, что есть смысл вывести постоянную функцию f(х)=1.Затем задается (1, 1), эта пара удовлетворяет предложенной функции f{х)=1. Следовательно в этот момент нет необходимости менять вывод. Наконец,задается (2, 3), что плохо согласуется с нашим выводом, поэтому откажемся отпего и после нескольких проб и ошибок выведем новую функцию f(х)==х2—х+1,которая удовлетворяет всем заданным до сих пор фактам (0, 1), (1, 1), (2,3).Далее мы убедимся, что эта же функция удовлетворяет фактам (3, 7), (4, 13), (5,21) ..., поэтому нет необходимости менять этот вывод. Таким образом, изпоследовательности пар переменная-функция можно вывести многочлен второйстепени. Грубо говоря, такой метод вывода можно назвать индуктивным.

Как видно из этого примера, при выводев каждый момент времени объясняются все данные, полученные до этого момента.Разумеется, данные, полученные позже, уже могут и не удовлетворять этомувыводу. В таких случаях приходится менять вывод. Следовательно, в общем случаеиндуктивный вывод—это неограниченно долгий процесс. И это не удивительно, есливспомнить процесс освоения человеком языков, процесс совершенствованияпрограммного обеспечения и т. п.

Для точного определения индуктивноговывода необходимо уточнить:

1)

множествоправил—объектов вывода,

2)

методпредставления правил,

3)

способпоказа примеров,

4)

методвывода и

5)

критерийправильности вывода.

В качестве правил—объектов вывода—можнорассматривать главным образом индуктивные функции, формальные языки, программыи т. п. Кроме того, эти правила могут быть представлены в виде машины Тьюрингадля вычисления функций, грамматики языков, операторов Пролога и другим способом.Машина Тьюринга—это математическая модель компьютера, ее в принципе можносчитать программой. В случае когда объектом вывода является формальный язык,он сам определяет правила, а его грамматика — метод представления правил,поэтому говорят о грамматическом выводе.

Для показа примеров функции

f можно использовать последовательностьпар (х,f(х))входных и выходных значений так, как указано выше, последовательность действиймашины Тьюринга, вычисляющей и другие данные. Задание машине выводов парывходных и выходных значений (х,f(х)) функции f соответствует заданию системеавтоматического синтеза программ входных значений х и выходных значений f(х),которые должны быть получены программой вычисления f в ответ на х.В этом смысле автоматический синтез программ по примерам также можно считатьиндуктивным выводом функции f. Формальные языки — это множество слов;поэтому, например, для языка L можнорассматривать ва типа слов, принадлежащих и не принадлежащих этому языку.Первые назовем положительными, а вторые — отрицательными данными. Другими словами,есть два способа показа примеров формального языка: с помощью положительных иотрицательных данных. Когда объектом служат сами программы, тогда то же самоеможно говорить о функциях языка Лисп, но для Пролога показ примеровосуществляется в виде фактов. Например, (3>4, истина), (2<=1, ложь). В этом случае положительнымданным соответствуют данные с атрибутом «истина», а отрицательным — данные сатрибутом «ложь».

Вывод реализуется благодарянеограниченному повторению основного процесса

запрос входных данных

-> предположение -> выходные данные.

Другими словами, при выводепоследовательно получают примеры как входные данные, вычисляют предположениепа данный момент и выдают результат вычислений. Предположение в каждый моментвремени основано на ограниченном числе примеров, полученных до сих пор, поэтомуобычно в качестве метода вывода используют машину Тьюринга, вычисляющуюпредположение по ограниченному числу примеров. Такую машину назовем машинойвыводов.

Учитывая, что индуктивный вывод, какуже было отмечено, это неограниченно продолжающийся процесс, критериемправильности вывода, как правило, считают понятие идентификации в пределе. Этопонятие введено Голдом, оно используется почтивсегда в теории индуктивных выводов. Говорят, что машина вывода

М идентифицирует в пределе правило R, если при показе примеров К последовательность выходных данных,генерируемых М, сходится к некоторому представлению т,а именно: все выходные данные, начиная с некоторого момента времени, совпадаютс т, при этом т называют правильным представлением К… Кроме того, говорят, что множествоправил Г позволяет сделать индуктивный вывод, если существует некоторая машинавыводов М, которая идентифицирует в пределелюбое правило К из множества Г. Обратите внимание нато, что слова «позволяет сделать индуктивный вывод» не имеют смысла для единственногоправила, а относятся только к множеству правил.

Обучениепо аналогии.

Приобретение новых понятий возможно путем преобразованиясуществующих знаний, похожих на те, которые собираются получить. Это важнаяфункция, которую называют обучением на основе выводов по аналогии или простообучением по аналогии. В нашей жизни много примеров, когда новые понятия илитехнические приемы приобретаются с помощью аналогии

Выводы по аналогии — один из важных объектов исследованияискусственного интеллекта, наиболее интересные результаты здесь получены П. Уинстоном. Он использует выводы по аналогии, основываясь наследующей гипотезе: «Если две ситуации подобны по нескольким признакам, то ониподобны и еще По одному признаку». Подобие двух ситуаций распознается путемобнаружения наилучших совпадений по наиболее важным признакам.

Аналогия—это метод выводов, при которых обнаруживаетсяподобие между несколькими заданными объектами; благодаря переносу фактов изнаний, справедливых для одних объектов, на основе этого подобия на совсемдругие объекты либо определяется. способ решения задач, либо предсказываютсянеизвестные факты и знания. Следовательно, когда человек сталкивается снеизвестной задачей, он на первых порах использует этот естественный методвывода.

Направления исследования аналогии

Однаиз важнейших проблем инженерии знаний— приобретение знаний. Под приобретениемздесь понимается получение знаний в виде, пригодном для их использованиякомпьютерами, поэтому многие исследователи указывают, что ключом к знаниямявляется теория и методология машинного обучения. В общем случае машинноеобучение включает приобретение новых декларативных знаний, систематизацию и хранениеновых знаний, а также обнаружение новых фактов. Среди указанных форм обученияаналогия, о которой будет идти далее речь, связана,

и частности, с проблемой машинногообнаружения новых фактов.

Под новыми фактами мы будем пониматьфакты, которые дедуктивно не выводятся из некоторыхсуществующих знаний. Получение новых знаний также рассматривалось выше вотношении к индуктивному выводу. В общем случае при индуктивных выводах позаданным данным создается гипотеза, их объясняющая, а с помощью дедукции изэтой гипотезы можно вывести новые факты. С другой стороны, при аналогии новыефакты предсказываются путем использования некоторых преобразований ужеизвестных знаний.

Индукция и аналогия крайне необходимыпри обработке интеллектуальной информации, и поэтому желательно изложитьосновы их совместного применения. Шапиро ввел строгую формализациюиндуктивных выводов в части вывода моделей с использованием логики предикатовпервого порядка; в теории индуктивных выводов есть заметные успехи.

С целью обзора исследований аналогии, проведенных донастоящего времени, выделим два типа аналогии: для решения задач и дляпредсказаний. Аналогия первого типа применяется главным образом дляповышения эффективности решения задач, которые, вообще говоря, можно решить ибез аналогии. Например, благодаря использованию решений аналогичных задач вобластях программирования и доказательства теорем можно прийти к выводам о программахили доказательствах. С другой стороны, используя аналогию для предсказаний,благодаря преобразованию знаний на основе подобия между объектами можно сделатьзаключение о том, что, возможно, справедливы новые факты. Например, еслиобъектами аналогии является некая система аксиом, то знаниями

могут быть теоремы, справедливые в этойсистеме. При этом, используя схожесть между системами аксиом, можнопреобразовать теорему в одной из систем в логическую формулу для другой системыи сделать вывод о том, что эта формула есть теорема. Другими словами, аналогияиспользуется и для решения некоторых строго сформулированных задач и дляпредсказаний, а также для приобретения не заданной ранее информации.

Примером использования метода приобретений знаний поаналогии может служить система доказательства теорем. При этом общая схемавывода выглядит следующим образом.

Задача

(доказать T)

Абстрактная задача

(доказать T`)

Решение P

Абстрактное решение P`

Абстрагирование

Традиционное решение задачи

Рис. 3 Стратегия абстрагирования.

еще рефераты

Еще работы по программированию, базе данных

Реферат по программированию, базе данных